Создание многоагентной системы

1. Введение

Обзор

В этой лабораторной работе вы выйдете за рамки простых чат-ботов и создадите распределенную многоагентную систему .

Хотя один специалист с дипломом магистра права может ответить на вопросы, в реальных условиях для решения сложных задач часто требуются специализированные роли. Вы же не поручаете бэкенд-разработчику проектировать пользовательский интерфейс, а дизайнеру — оптимизировать запросы к базе данных. Аналогично, мы можем создавать специализированных агентов искусственного интеллекта, которые сосредоточены на одной задаче и координируют свои действия для решения сложных проблем.

Вы разработаете систему создания курсов, состоящую из:

  1. Агент-исследователь : Использует google_search для поиска актуальной информации.
  2. Эксперт-оценщик : Критическая оценка исследования на предмет качества и полноты.
  3. Content Builder Agent : Превращение результатов исследования в структурированный курс.
  4. Агент-оркестратор : Управление рабочим процессом и коммуникацией между этими специалистами.

Предварительные требования

  • Базовые знания Python.
  • Знание Google Cloud Console.

Что вы будете делать

  • Определите агента ( researcher ), использующего инструмент и способного осуществлять поиск в интернете.
  • Реализуйте структурированный вывод с помощью Pydantic для judge .
  • Подключайтесь к удаленным агентам, используя протокол Agent-to-Agent (A2A) .
  • Создайте LoopAgent для формирования обратной связи между исследователем и судьей.
  • Запустите распределенную систему локально, используя ADK.
  • Разверните многоагентную систему в Google Cloud Run .

Принципы архитектуры и оркестровки

Прежде чем писать код, давайте разберемся, как эти агенты взаимодействуют друг с другом. Мы создаем конвейер создания курсов .

Проектирование системы

Архитектурная схема

Организация работы с агентами

Стандартные агенты (например, исследователь) работают. Агенты-оркестраторы (например, LoopAgent или SequentialAgent ) управляют другими агентами. У них нет собственных инструментов; их «инструмент» — делегирование.

  1. LoopAgent : Этот класс работает как цикл while в коде. Он запускает последовательность агентов многократно, пока не будет выполнено условие (или не будет достигнуто максимальное количество итераций). Мы используем его для цикла исследований :
    • Исследователь находит информацию.
    • Судья дает ему критику.
    • Если Judge выдает "Fail", EscalationChecker позволяет циклу продолжиться.
    • Если судья говорит «Пройдено», то EscalationChecker прерывает цикл.
  2. SequentialAgent : Это работает как стандартное выполнение скрипта. Он запускает агенты один за другим. Мы используем это для высокоуровневого конвейера :
    • Сначала запустите цикл исследования (пока он не завершится получением корректных данных).
    • Затем запустите конструктор контента (для создания курса).

Сочетая эти элементы, мы создаем надежную систему, способную к самокоррекции перед формированием окончательного результата.

2. Настройка

Настройка среды

  1. Откройте Cloud Shell : нажмите значок «Активировать Cloud Shell» в правом верхнем углу консоли Google Cloud.

Получите стартовый код

  1. Скопируйте стартовый репозиторий в свою домашнюю директорию: 
    cd ~
git clone --depth 1 --filter=blob:none --sparse https://github.com/GoogleCloudPlatform/devrel-demos.git temp-repo && cd temp-repo && git sparse-checkout set agents/build-with-ai/production-ready-ai/prai-roadshow-lab-1-starter && cd .. && mv temp-repo/agents/build-with-ai/production-ready-ai/prai-roadshow-lab-1-starter . && rm -rf temp-repo
cd prai-roadshow-lab-1-starter
  2. Включение API : выполните следующую команду, чтобы включить необходимые сервисы Google Cloud: 
    gcloud services enable \
    run.googleapis.com \
    artifactregistry.googleapis.com \
    cloudbuild.googleapis.com \
    aiplatform.googleapis.com \
    compute.googleapis.com
  3. Откройте эту папку в вашем редакторе.

Установите зависимости

Мы используем uv для быстрого управления зависимостями.

  1. Установите зависимости проекта: 
    # Ensure you have uv installed: pip install uv
uv sync
  2. Настройте переменные среды.
    • Совет : Вы можете найти идентификатор своего проекта на панели управления Cloud Console или выполнив команду gcloud config get-value project .
    Мы создадим файл .env для хранения этих переменных, чтобы вы могли легко перезагрузить их, если ваша сессия прервётся. 
    cat <<EOF > .env
export GOOGLE_CLOUD_PROJECT=$(gcloud config get-value project)
export GOOGLE_CLOUD_LOCATION=global
export GOOGLE_GENAI_USE_VERTEXAI=true
EOF
  3. Укажите переменные среды:
    source .env
    Внимание: переменные окружения не сохраняются между новыми сеансами терминала. Если вы откроете новую вкладку терминала, выполните source .env , чтобы восстановить их.

3. 🕵️ Агент-исследователь

Исследовательский агент

Исследователь — это специалист. Его единственная задача — находить информацию. Для этого ему необходим инструмент: поиск Google.

Зачем отделять исследователя?

Подробный анализ: Почему бы не поручить все задачи одному агенту?

Небольшие, узкоспециализированные агенты проще оценивать и отлаживать . Если исследование проведено плохо, вы продолжаете работу над заданием исследователя. Если форматирование курса плохое, вы продолжаете работу над конструктором контента. В монолитном, универсальном задании исправление одной проблемы часто приводит к поломке другой.

  1. Если вы работаете в Cloud Shell, выполните следующую команду, чтобы открыть редактор Cloud Shell:
    cloudshell workspace .
    Если вы работаете в локальной среде, откройте свою любимую IDE.
  2. Откройте файл agents/researcher/agent.py .
  3. Вы увидите скелет с надписью TODO.
  4. Добавьте следующий код для определения агента- researcher : 
    # ... existing imports ...

# Define the Researcher Agent
researcher = Agent(
    name="researcher",
    model=MODEL,
    description="Gathers information on a topic using Google Search.",
    instruction="""
    You are an expert researcher. Your goal is to find comprehensive and accurate information on the user's topic.
    Summarize your findings clearly.
    If you receive feedback that your research is insufficient, use the feedback to refine your next search.
    DO NOT output any function calls. Provide your research directly as text.
    """,
)

root_agent = researcher

Ключевая концепция: Использование инструментов

При использовании Gemini 3 инструмент поиска Google доступен автоматически. Если бы вы использовали другую модель, например Gemini 2.5, вам потребовалось бы передать tools=[google_search] в качестве дополнительного параметра конструктору Agent(). ADK берет на себя сложную задачу описания этого инструмента для LLM. Когда модель решает, что ей нужна информация, она генерирует структурированный вызов инструмента, ADK выполняет функцию Python google_search и передает результат обратно модели.

4. ⚖️ Агент-судья

Судья Агент

Исследователь усердно работает, а магистранты могут быть ленивыми. Нам нужен судья для проверки работы. Судья принимает исследование и выставляет структурированную оценку «зачет/незачет».

Структурированный вывод

Подробный анализ: Для автоматизации рабочих процессов нам необходимы предсказуемые результаты. Сложный текстовый обзор сложно программно обработать. Используя схему JSON (с помощью Pydantic), мы гарантируем, что Judge вернет логическое значение « pass или fail , на основе которого наш код сможет надежно реагировать.

  1. Откройте файл agents/judge/agent.py .
  2. Определите схему JudgeFeedback и агента judge . 
    # 1. Define the Schema
class JudgeFeedback(BaseModel):
    """Structured feedback from the Judge agent."""
    status: Literal["pass", "fail"] = Field(
        description="Whether the research is sufficient ('pass') or needs more work ('fail')."
    )
    feedback: str = Field(
        description="Detailed feedback on what is missing. If 'pass', a brief confirmation."
    )

# 2. Define the Agent
judge = Agent(
    name="judge",
    model=MODEL,
    description="Evaluates research findings for completeness and accuracy.",
    instruction="""
    You are a strict editor.
    Evaluate the 'research_findings' against the user's original request.
    If the findings are missing key info, return status='fail'.
    If they are comprehensive, return status='pass'.
    """,
    output_schema=JudgeFeedback,
    # Disallow delegation because it should only output the schema
    disallow_transfer_to_parent=True,
    disallow_transfer_to_peers=True,
)

root_agent = judge

Ключевая концепция: Ограничивающее поведение агента

Мы установили disallow_transfer_to_parent=True и disallow_transfer_to_peers=True . Это заставляет Judge возвращать только структурированный JudgeFeedback . Он не может решить, «общаться» ли с пользователем в чате или делегировать задачу другому агенту. Это делает его детерминированным компонентом в нашей логической схеме.

5. 🧪 Тестирование в изоляции

Перед подключением мы можем убедиться в работоспособности каждого агента. ADK позволяет запускать агенты по отдельности.

Ключевая концепция: Интерактивная среда выполнения

adk run запускает облегченную среду, где вы выступаете в роли «пользователя». Это позволяет тестировать инструкции агента и использование инструментов в изолированном режиме. Если агент выдает ошибку здесь (например, не может использовать поиск Google), он обязательно выдаст ошибку и в процессе оркестрации.

  1. Запустите программу Researcher в интерактивном режиме. Обратите внимание, что мы указываем конкретный каталог агента: 
    # This runs the researcher agent in interactive mode
uv run adk run agents/researcher
  2. В командной строке чата введите:
    Find the population of Tokyo in 2020
    Программа должна использовать инструмент поиска Google и вернуть ответ. Примечание: Если вы видите ошибку, указывающую на то, что проект, местоположение и использование вершин не заданы, убедитесь, что идентификатор вашего проекта задан, и выполните следующее: 
    export GOOGLE_CLOUD_PROJECT=$(gcloud config get-value project)
export GOOGLE_CLOUD_LOCATION=global
export GOOGLE_GENAI_USE_VERTEXAI=true
  3. Выйти из чата (Ctrl+C).
  4. Запустите судью в интерактивном режиме: 
    uv run adk run agents/judge
  5. В поле чата имитируйте ввод следующих данных:
    Topic: Tokyo. Findings: Tokyo is a city.
    Функция должна возвращать status='fail' поскольку результаты слишком краткие.

6. ✍️ Агент для создания контента

Конструктор контента

Контент-менеджер — это творческий автор. Он берет утвержденные исследования и превращает их в учебный курс.

  1. Откройте файл agents/content_builder/agent.py .
  2. Определите агент content_builder . 
    content_builder = Agent(
    name="content_builder",
    model=MODEL,
    description="Transforms research findings into a structured course.",
    instruction="""
    You are an expert course creator.
    Take the approved 'research_findings' and transform them into a well-structured, engaging course module.

    **Formatting Rules:**
    1. Start with a main title using a single `#` (H1).
    2. Use `##` (H2) for main section headings.
    3. Use bullet points and clear paragraphs.
    4. Maintain a professional but engaging tone.

    Ensure the content directly addresses the user's original request.
    """,
)
root_agent = content_builder

Ключевая концепция: Распространение контекста

Вы можете задаться вопросом: «Откуда Content Builder узнает, что обнаружил Researcher?» В ADK агенты в конвейере совместно используют session.state . Позже, в Orchestrator, мы настроим Researcher и Judge так, чтобы они сохраняли свои результаты в это общее состояние. Запрос Content Builder фактически имеет доступ к этой истории.

7. 🎻 Оркестратор

Агент оркестратора

Оркестратор — это руководитель нашей многоагентной команды. В отличие от агентов-специалистов (Исследователь, Судья, Контент-менеджер), выполняющих конкретные задачи, работа Оркестратора заключается в координации рабочего процесса и обеспечении корректного обмена информацией между ними.

🌐 Архитектура: взаимодействие между агентами (A2A)

Архитектура A2A

В этой лабораторной работе мы создаём распределённую систему . Вместо запуска всех агентов в одном процессе Python, мы развертываем их как независимые микросервисы. Это позволяет каждому агенту масштабироваться независимо и выходить из строя без сбоя всей системы.

Для этого мы используем протокол «агент-агент» (A2A) .

Протокол A2A

Подробное описание: В производственной системе агенты работают на разных серверах (или даже в разных облаках). Протокол A2A создает стандартный способ для них обнаруживать друг друга и взаимодействовать по протоколу HTTP. RemoteA2aAgent — это ADK-клиент для этого протокола.

  1. Откройте файл agents/orchestrator/agent.py .
  2. Найдите комментарий # TODO: Define connections to remote agents или раздел с определениями удаленных агентов.
  3. Добавьте следующий код для определения подключений. Убедитесь, что он размещен после импортов и перед любыми другими определениями агентов. 
    # ... existing code ...

# Connect to the Researcher (Localhost port 8001)
researcher_url = os.environ.get("RESEARCHER_AGENT_CARD_URL", "http://localhost:8001/a2a/agent/.well-known/agent-card.json")
researcher = RemoteA2aAgent(
    name="researcher",
    agent_card=researcher_url,
    description="Gathers information using Google Search.",
    # IMPORTANT: Save the output to state for the Judge to see
    after_agent_callback=create_save_output_callback("research_findings"),
    # IMPORTANT: Use authenticated client for communication
    httpx_client=create_authenticated_client(researcher_url)
)

# Connect to the Judge (Localhost port 8002)
judge_url = os.environ.get("JUDGE_AGENT_CARD_URL", "http://localhost:8002/a2a/agent/.well-known/agent-card.json")
judge = RemoteA2aAgent(
    name="judge",
    agent_card=judge_url,
    description="Evaluates research.",
    after_agent_callback=create_save_output_callback("judge_feedback"),
    httpx_client=create_authenticated_client(judge_url)
)

# Content Builder (Localhost port 8003)
content_builder_url = os.environ.get("CONTENT_BUILDER_AGENT_CARD_URL", "http://localhost:8003/a2a/agent/.well-known/agent-card.json")
content_builder = RemoteA2aAgent(
    name="content_builder",
    agent_card=content_builder_url,
    description="Builds the course.",
    httpx_client=create_authenticated_client(content_builder_url)
)

8. 🛑 Проверка эскалации

Для завершения цикла необходим способ его остановки. Если судья выдает «Пройдено», мы хотим немедленно выйти из цикла и перейти к конструктору контента.

Пользовательская логика с использованием BaseAgent

Подробный анализ: Не все агенты используют LLM. Иногда требуется простая логика на Python. BaseAgent позволяет определить агента, который просто выполняет код. В этом случае мы проверяем состояние сессии и используем EventActions(escalate=True) чтобы дать сигнал LoopAgent остановиться.

  1. Все еще в файле agents/orchestrator/agent.py .
  2. Найдите заполнитель TODO EscalationChecker .
  3. Замените его следующей реализацией: 
    class EscalationChecker(BaseAgent):
    """Checks the judge's feedback and escalates (breaks the loop) if it passed."""

    async def _run_async_impl(
        self, ctx: InvocationContext
    ) -> AsyncGenerator[Event, None]:
        # Retrieve the feedback saved by the Judge
        feedback = ctx.session.state.get("judge_feedback")
        print(f"[EscalationChecker] Feedback: {feedback}")

        # Check for 'pass' status
        is_pass = False
        if isinstance(feedback, dict) and feedback.get("status") == "pass":
            is_pass = True
        # Handle string fallback if JSON parsing failed
        elif isinstance(feedback, str) and '"status": "pass"' in feedback:
            is_pass = True

        if is_pass:
            # 'escalate=True' tells the parent LoopAgent to stop looping
            yield Event(author=self.name, actions=EventActions(escalate=True))
        else:
            # Continue the loop
            yield Event(author=self.name)

escalation_checker = EscalationChecker(name="escalation_checker")

Ключевая концепция: управление потоком выполнения посредством событий.

Агенты общаются не только с помощью текста, но и с помощью событий . Отправив событие с escalate=True , этот агент посылает сигнал своему родительскому объекту ( LoopAgent ). LoopAgent запрограммирован на перехват этого сигнала и завершение цикла.

9. 🔁 Исследовательский цикл

Исследовательский цикл

Нам необходима обратная связь: Исследование -> Оценка -> (Неудача) -> Исследование -> ...

  1. Все еще в файле agents/orchestrator/agent.py .
  2. Добавьте определение research_loop . Разместите его после класса EscalationChecker и экземпляра escalation_checker . 
    research_loop = LoopAgent(
    name="research_loop",
    description="Iteratively researches and judges until quality standards are met.",
    sub_agents=[researcher, judge, escalation_checker],
    max_iterations=3,
)

Ключевая концепция: LoopAgent

LoopAgent последовательно перебирает своих sub_agents .

  1. researcher : Находит данные.
  2. judge : Оценивает данные.
  3. escalation_checker : Определяет, следует ли yield Event(escalate=True) . Если выполняется escalate=True , цикл прерывается досрочно. В противном случае он перезапускается с исследователя (до max_iterations ).

10. 🔗 Финальный трубопровод

Финальный трубопровод

Наконец, сшейте все вместе.

  1. Все еще в файле agents/orchestrator/agent.py .
  2. Определите параметр root_agent в конце файла. Убедитесь, что он заменяет любой существующий заполнитель root_agent = None . 
    root_agent = SequentialAgent(
    name="course_creation_pipeline",
    description="A pipeline that researches a topic and then builds a course from it.",
    sub_agents=[research_loop, content_builder],
)

Ключевая концепция: Иерархическая композиция

Обратите внимание, что research_loop сам по себе является агентом ( LoopAgent ). Мы рассматриваем его так же, как и любого другого подагента в SequentialAgent . Такая компонуемость позволяет строить сложную логику, вкладывая простые шаблоны (циклы внутри последовательностей, последовательности внутри маршрутизаторов и т. д.).

11. 💻 Занимайтесь на местном уровне

Прежде чем запускать все компоненты, давайте посмотрим, как ADK имитирует распределенную среду локально.

Подробный анализ: как работает местное развитие

В микросервисной архитектуре каждый агент работает как отдельный сервер. При развертывании у вас будет 4 различных сервиса Cloud Run. Имитация этого локально может быть проблематичной, если вам придется открывать 4 вкладки терминала и выполнять 4 команды.

Этот скрипт запускает процессы uvicorn для Researcher (порт 8001), Judge (8002) и Content Builder (8003). Он устанавливает переменные среды, такие как RESEARCHER_AGENT_CARD_URL , и передает их Orchestrator (порт 8004). Именно так мы будем настраивать это в облаке позже!

Приложение запущено

  1. Запустите скрипт оркестровки:
    perl -pi -e 's/us-central1/global/g' run_local.sh
./run_local.sh
    Это запускает 4 отдельных процесса.
  2. Проверьте это:
    • При использовании Cloud Shell: нажмите кнопку « Предварительный просмотр веб-страницы» (в правом верхнем углу терминала) -> Предварительный просмотр на порту 8080 -> Измените порт на 8000 .
    • При локальном запуске: откройте http://localhost:8000 в браузере.
    • Задание: «Создайте курс об истории кофе».
    • Обратите внимание: Организатор вызывает Исследователь. Результат передается Судье. Если Судья не проходит проверку, цикл продолжается!
    Поиск неисправностей:
    • "Внутренняя ошибка сервера" / Ошибки аутентификации: Если вы видите ошибки аутентификации (например, связанные с google-auth ), убедитесь, что вы выполнили gcloud auth application-default login если работаете на локальном компьютере. В Cloud Shell убедитесь, что переменная среды GOOGLE_CLOUD_PROJECT установлена ​​правильно.
    • Ошибки терминала: Если команда завершается с ошибкой в ​​новом окне терминала, не забудьте повторно экспортировать переменные среды ( GOOGLE_CLOUD_PROJECT и т. д.).
  3. Тестирование агентов в изолированном режиме: Даже при работе всей системы вы можете тестировать отдельные агенты, напрямую обращаясь к их портам. Это полезно для отладки конкретного компонента без запуска всей цепочки. Примечание: Это конечные точки API, а не веб-страницы. Вы не можете получить к ним доступ через браузер. Вместо этого используйте curl для проверки их работы (например, путем получения карточки агента).
    • Только для исследователей (порт 8001):
      • Проверьте статус (и найдите конечную точку url ): 
        curl http://localhost:8001/a2a/agent/.well-known/agent-card.json
      • Отправьте запрос (используя протокол A2A JSON-RPC): 
        curl -X POST http://localhost:8001/a2a/agent \
  -H "Content-Type: application/json" \
  -d '{
    "jsonrpc": "2.0",
    "method": "message/send",
    "id": 1,
    "params": {
      "message": {
        "message_id": "test-1",
        "role": "user",
        "parts": [
          {
            "text": "What is the capital of France?",
            "kind": "text"
          }
        ]
      }
    }
  }'
    • Только судья (Порт 8002):
      • Проверить статус: 
        curl http://localhost:8002/a2a/agent/.well-known/agent-card.json
      • Отправить запрос: 
        curl -X POST http://localhost:8002/a2a/agent \
  -H "Content-Type: application/json" \
  -d '{
    "jsonrpc": "2.0",
    "method": "message/send",
    "id": 1,
    "params": {
      "message": {
        "message_id": "test-2",
        "role": "user",
        "parts": [
          {
            "text": "Topic: Tokyo. Findings: Tokyo is the capital of Japan.",
            "kind": "text"
          }
        ]
      }
    }
  }'
    • Только для Content Builder (порт 8003): 
      curl http://localhost:8003/a2a/agent/.well-known/agent-card.json
    • Оркестратор (порт 8004): 
      curl http://localhost:8004/a2a/agent/.well-known/agent-card.json

12. 🚀 Развертывание в Cloud Run

Окончательная проверка будет проведена в облаке. Мы развернем каждый агент как отдельную службу.

Понимание конфигурации развертывания

При развертывании агентов в Cloud Run мы передаем несколько переменных среды для настройки их поведения и подключения:

  • GOOGLE_CLOUD_PROJECT : Гарантирует, что агент использует правильный проект Google Cloud для логирования и вызовов Vertex AI.
  • GOOGLE_GENAI_USE_VERTEXAI : Указывает фреймворку агентов (ADK) использовать Vertex AI для вывода модели вместо прямого вызова API Gemini.
  • GOOGLE_CLOUD_LOCATION : Указывает платформе агентов (ADK), какую конечную точку использовать.
  • [AGENT]_AGENT_CARD_URL : Этот параметр крайне важен для оркестратора. Он указывает оркестратору, где найти удаленных агентов. Установив его на развернутый URL-адрес Cloud Run (в частности, путь к карточке агента), мы позволяем оркестратору обнаруживать и взаимодействовать с исследователем, судьей и создателем контента через Интернет.
  1. Развертывание субагентов (параллельно): Чтобы сэкономить время, мы развернем Researcher, Judge и Content Builder одновременно. Откройте три новые вкладки терминала. В каждой новой вкладке выполните следующие действия для настройки среды:
    cd ~/prai-roadshow-lab-1-starter
source .env
    Вкладка 1: Запуск развертывания Researcher:
    gcloud run deploy researcher \
  --source agents/researcher/ \
  --region us-west1 \
  --allow-unauthenticated \
  --labels dev-tutorial=prod-ready-1 \
  --set-env-vars GOOGLE_CLOUD_PROJECT=$GOOGLE_CLOUD_PROJECT \
  --set-env-vars GOOGLE_CLOUD_LOCATION=$GOOGLE_CLOUD_LOCATION \
  --set-env-vars GOOGLE_GENAI_USE_VERTEXAI="true"
    Вкладка 2: Запуск развертывания Judge:
    gcloud run deploy judge \
  --source agents/judge/ \
  --region us-west1 \
  --allow-unauthenticated \
  --labels dev-tutorial=prod-ready-1 \
  --set-env-vars GOOGLE_CLOUD_PROJECT=$GOOGLE_CLOUD_PROJECT \
  --set-env-vars GOOGLE_CLOUD_LOCATION=$GOOGLE_CLOUD_LOCATION \
  --set-env-vars GOOGLE_GENAI_USE_VERTEXAI="true"
    Вкладка 3: Запуск развертывания Content Builder: 
    gcloud run deploy content-builder \
  --source agents/content_builder/ \
  --region us-west1 \
  --allow-unauthenticated \
  --labels dev-tutorial=prod-ready-1 \
  --set-env-vars GOOGLE_CLOUD_PROJECT=$GOOGLE_CLOUD_PROJECT \
  --set-env-vars GOOGLE_CLOUD_LOCATION=$GOOGLE_CLOUD_LOCATION \
  --set-env-vars GOOGLE_GENAI_USE_VERTEXAI="true"
  2. Получение URL-адресов: После завершения всех трех развертываний вернитесь к исходному терминалу (где вы будете развертывать Orchestrator). Выполните следующие команды для получения URL-адресов служб: 
    RESEARCHER_URL=$(gcloud run services describe researcher --region us-west1 --format='value(status.url)')
JUDGE_URL=$(gcloud run services describe judge --region us-west1 --format='value(status.url)')
CONTENT_BUILDER_URL=$(gcloud run services describe content-builder --region us-west1 --format='value(status.url)')

echo "Researcher: $RESEARCHER_URL"
echo "Judge: $JUDGE_URL"
echo "Content Builder: $CONTENT_BUILDER_URL"
  3. Разверните Orchestrator: используйте полученные переменные среды для настройки Orchestrator.
    gcloud run deploy orchestrator \
  --source agents/orchestrator/ \
  --region us-west1 \
  --allow-unauthenticated \
  --labels dev-tutorial=prod-ready-1 \
  --set-env-vars RESEARCHER_AGENT_CARD_URL=$RESEARCHER_URL/a2a/agent/.well-known/agent-card.json \
  --set-env-vars JUDGE_AGENT_CARD_URL=$JUDGE_URL/a2a/agent/.well-known/agent-card.json \
  --set-env-vars CONTENT_BUILDER_AGENT_CARD_URL=$CONTENT_BUILDER_URL/a2a/agent/.well-known/agent-card.json \
  --set-env-vars GOOGLE_CLOUD_PROJECT=$GOOGLE_CLOUD_PROJECT \
  --set-env-vars GOOGLE_CLOUD_LOCATION=$GOOGLE_CLOUD_LOCATION \
  --set-env-vars GOOGLE_GENAI_USE_VERTEXAI="true"
    Скопируйте URL-адрес: 
    ORCHESTRATOR_URL=$(gcloud run services describe orchestrator --region us-west1 --format='value(status.url)')
echo $ORCHESTRATOR_URL
  4. Разверните интерфейсную часть: 
    gcloud run deploy course-creator \
    --source app \
    --region us-west1 \
    --allow-unauthenticated \
    --labels dev-tutorial=prod-ready-1 \
    --set-env-vars AGENT_SERVER_URL=$ORCHESTRATOR_URL \
    --set-env-vars GOOGLE_CLOUD_PROJECT=$GOOGLE_CLOUD_PROJECT
  5. Тестирование удаленного развертывания: откройте URL-адрес развернутого Orchestrator. Теперь он полностью работает в облаке, используя бессерверную инфраструктуру Google для масштабирования ваших агентов! Подсказка : все микросервисы и их URL-адреса вы найдете в интерфейсе Cloud Run.

13. Резюме

Поздравляем! Вы успешно создали и развернули готовую к использованию распределенную многоагентную систему.

Что мы достигли

  • Разложили сложную задачу на составляющие : вместо одного большого задания мы разделили работу на специализированные роли (исследователь, судья, разработчик контента).
  • Внедрен контроль качества : Мы использовали LoopAgent и структурированный Judge , чтобы гарантировать, что на заключительный этап поступает только высококачественная информация.
  • Создано для продакшена : Используя протокол Agent-to-Agent (A2A) и Cloud Run , мы создали систему, в которой каждый агент представляет собой независимый, масштабируемый микросервис. Это гораздо надежнее, чем запускать все в одном скрипте Python.
  • Оркестрация : Мы использовали SequentialAgent и LoopAgent для определения четких шаблонов управления потоком выполнения.

Следующие шаги

Теперь, когда у вас есть основа, вы можете расширить эту систему:

  • Добавьте больше инструментов : предоставьте исследователю доступ к внутренним документам или API.
  • Улучшите работу судьи : добавьте более конкретные критерии или даже этап с участием человека.
  • Замена моделей : Попробуйте использовать разные модели для разных агентов (например, более быструю модель для Судьи, более мощную модель для Автора контента).

Теперь вы готовы создавать сложные и надежные агентные рабочие процессы в Google Cloud!